CN114073536A - 灌注成像系统及方法 - Google Patents

Abstract

一种灌注成像系统，用于灌注成像，其包括数据获取模块，用于获取灌注图像数据集；预处理模块，用于对所述灌注图像数据集进行预处理；病灶分割模块，用于基于经预处理的灌注图像数据集进行病灶分割，其包括级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络根据所述灌注参数进行病灶分割。本发明可提高灌注参数生成的稳定性及病灶分割的准确性，可适用于脑部或者其他解剖结构的灌注成像。

Description

灌注成像系统及方法

技术领域

本发明涉及医学成像，尤其是涉及灌注成像的系统和方法。

背景技术

在医学成像中，灌注成像提供一种功能学检查方法，其根据血流变化与组织器官的正常生理功能及其病变变化密切相关的原理，通过对组织微循环的血流灌注状态进行评估，如评估脑梗塞、肿瘤等病理改变或生理改变，进而有助于疾病的诊断及治疗。目前，灌注成像常用的医学成像模式包括计算机断层扫描(CT)、核磁共振扫描(MRI)、正电子发射断层摄影(PET)等。以CT灌注成像为例，在静脉快速团注对比剂时，对感兴趣区层面进行连续、多次扫描，从而获得感兴趣区时间-密度曲线，并利用不同的数学模型，分别计算出各种灌注参数值，再以灌注参数生成灌注图像。

灌注成像可以用于全身多个器官组织，如脑、肝、心脏、胰和骨骼等。例如对于脑部，脑卒中是一种常见的脑血管疾病，脑灌CT注成像常作为用于了解脑组织血流灌注状态的功能成像手段，现已列入诊断缺血性脑卒中的常规检查方法。脑CT灌注成像可以获得脑血流容量(Cerebral Blood Volume，CBV)、脑血流流量(Cerebral Blood Flow，CBF)、对比剂平均通过时间(Mean Transit Time，MTT)、对比剂峰值时间(Tmax)等等一系列灌注参数，进而生成脑灌注图像来评价脑组织的灌注状态。

现有技术中提供的脑灌注成像方法中，脑灌注参数受到动脉输入函数(AIF)、模型计算方法等诸多因素的影响，重复性差。在参数图像中确定脑部梗死区域时，需要医疗人员凭借经验人工判断，其依赖于医疗人员的经验，存在主观差异，且耗时长，准确度低，可操作性差。

因此，需要一种新的灌注成像的系统和方法，能够减少医疗人员的依据经验判断所引入的主观差异，提高提高病灶判断的准确性，，及减少病灶分割时间。

发明内容

在本发明的一个方面，提供了一种灌注成像系统，用于灌注成像，包括：数据获取模块，用于获取灌注图像数据集；预处理模块，用于对灌注图像数据集进行预处理；病灶分割模块，用于基于经预处理的灌注图像数据集进行病灶分割，病灶分割模块包括级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络根据灌注参数进行病灶分割。

本发明的一个方面，第一神经网络包括U-net神经网络。

本发明的一个方面，第一神经网络包括具有四组卷积层的编码路径，其中前两组卷积层包括1x1卷积核的卷积层。

本发明的一个方面，第二神经网络包括Dense V-net神经网络。

本发明的一个方面，第二神经网络包括具有三个阶段卷积层的降采样路径，其第一阶段卷积层的输入包括第一神经网络生成的灌注参数经降采样后的特征图和第一神经网络的第一组卷积层的输出经降采样后的特征图的拼接。

本发明的一个方面，第二神经网络的降采样路径的第二阶段卷积层与第三阶段卷积层的输入分别包括前一阶段卷积层输出经降采样形成的特征图与第一神经网络对应的一组卷积层的输出经降采样形成的特征图的拼接。

本发明的一个方面，预处理模块包括标准化模块，其计算灌注图像数据集的均值和方差，并将灌注图像数据集中的每个像素值减去均值再除以方差。

本发明的一个方面，预处理模块包括数据选择模块，用于自灌注图像数据集中选择特定期数的灌注图像数据。

本发明的一个方面，灌注图像数据集包括脑灌注图像数据集，预处理模块还包括颅骨图像信息剔除模块，用于剔除脑灌注图像数据集中的颅骨部分数据。

本发明的一个方面，灌注图像数据集包括脑灌注图像数据集，灌注参数包括脑血流容量、脑血流流量、对比剂平均通过时间、对比剂峰值时间中的至少一个。

在本发明的另一个方面，提供了一种灌注成像方法，其包括：获取灌注图像数据集；预处理所述灌注图像数据集；病灶分割，其包括将经过预处理的灌注图像数据集输入级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络根据灌注参数进行病灶分割。

本发明的一个方面，第一神经网络包括U-net神经网络。

本发明的一个方面，第一神经网络包括具有四组卷积层编码路径，其中前两组卷积层包括1x1卷积核的卷积层。

本发明的一个方面，第二神经网络包括Dense V-net神经网络。

本发明的一个方面，第二神经网络包括具有三个阶段卷积层的降采样路径，其第一阶段卷积层的输入包括第一神经网络生成的灌注参数和第一神经网络的第一组卷积层的输出经降采样后的特征图输出。

本发明的一个方面，第二神经网络的降采样路径的第二阶段卷积层与第三阶段卷积层的输入分别包括前一阶段神经网络输出经降采样形成的特征图与第一神经网络对应的一组卷积层的输出经降采样形成的特征图的拼接。

本发明的一个方面，灌注图像数据集包括脑灌注图像数据集，预处理包括剔除颅骨图像信息，其用于剔除脑灌注图像数据集中的颅骨部分数据。

本发明的一个方面，灌注图像数据集包括脑灌注图像数据集，灌注参数包括脑血流容量、脑血流流量、对比剂平均通过时间、对比剂峰值时间中的至少一个。

在本发明的另一个方面，提供了一种系统，包括用于执行前述灌注成像方法方法的处理器。

在本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述灌注成像方法。

在本发明中，采用级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络基于该灌注参数进行病灶分割，其可以实现自动地生成灌注参数与病灶分割，可以减小医疗人员的依据经验判断所引入的主观差异，提高病灶分割判断的准确性及减少病灶分割的时间。

应理解，提供上文的简要描述是为了以简化的形式介绍在具体实施方式中进一步描述的技术方案。这并不意味着上文的简要描述限定限定本发明所要求保护的关键或必要特征，本发明所要求保护的范围由权利要求唯一地限定。此外，所要求保护的发明不限于解决在上文中或在本公开的任一区段中所提及的任何缺点的实现。

通过下面参考附图进行的详细描述，本发明的这些以及其他的特征和方面会变得更加清楚。

附图说明

为了能够详细地理解本发明，可参考实施例得出上文所简要概述的本发明的更具体的描述，一些实施例在附图中示出，为了促进理解，已尽可能使用相同附图标记来标示各图所共有的相同要素。然而，应当注意，附图仅仅示出本发明的典型实施例，并且因此不应视为限制本发明的范围，因为本发明可允许其他等同的实施例，在附图中：

图1示意性地示出了根据本发明的实施例的CT成像系统。

图2示意性地示出了根据本发明的实施例的CT成像系统的框图。

图3示意性地示出了根据本发明的实施例的灌注成像系统的框图。

图4示意性地示出了根据本发明的实施例的灌注成像系统的预处理模块框图。

图5示意性地示出了根据本发明的实施例的灌注成像系统的病灶分割模块的神经网络结构图。

图6示意性地示出了根据本发明的实施例的灌注成像方法的流程框图。

图7示意性地示出了根据本发明的实施例的灌注成像方法的预处理的流程框图。

图8示意性地示出了根据本发明的实施例的执行灌注成像方法的电子设备的示例。

图9示意性地示出了根据本发明的实施例的执行灌注成像方法的灌注成像系统的示例。

可以预期的是，本发明的一个实施例中的要素可有利地适用于其他实施例而无需赘述。

具体实施方式

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本发明揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本发明的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。

本文中所描述的灌注成像系统及方法可以适用于各种医学成像模态，包括但不限于计算机断层扫描(CT)设备、磁共振成像(MRI)设备、C形臂成像设备、正电子发射断层扫描(PET)设备、单光子发射计算机断层扫描(SPECT)设备、或其他任何合适的医学成像设备。灌注成像系统可以包括前述医学成像设备，也可以包括连接到医学成像设备的单独的计算机设备，还可以包括连接至互联网云端的计算机设备，该计算机设备通过互联网连接到医学成像设备或者存储医学图像的存储器。灌注成像方法可以由前述医学成像设备、连接到医学成像设备的计算机设备，连接至互联网云端的计算机设备独立或者联合的实施。

示例性地，以下结合X射线计算机断层摄影(CT)设备描述本发明。本领域技术人员将理解，本发明还可以适用于其他适于灌注成像的医学成像设备。

图1示出根据本发明示例性实施例的灌注成像系统和方法所适用的CT成像设备100。图2是图1所示的示例CT成像系统100的示意性框图。

参见图1，CT成像系统100被示出为包括扫描机架11。扫描机架11具有X射线源11a，X射线源11a朝向扫描机架11的相对侧上的检测器组件或准直器12投射X射线束。

参见图2，检测器组件12包括多个检测器单元12a和数据采集系统(DAS)12b。多个检测器单元12a感测穿过对象10的经投射的X射线16。

DAS 12b根据检测器单元12a的感测，将收集到的信息转换为投影数据以供后续处理。在采集X射线投影数据的扫描期间，扫描机架11以及安装于其上的部件绕着旋转中心11c旋转。

扫描机架11的旋转和X射线源11a的操作由CT系统100的控制机构13控制。控制机构13包括向X射线源11a提供功率和定时信号的X射线控制器13a、以及控制扫描机架11的旋转速度和位置的扫描机架电机控制器13b。图像重建装置14从DAS 12b接收投影数据并且执行图像重建。重建的图像作为输入传输至计算机15，计算机15将图像存储在大容量存储装置16中。

计算机15还通过控制台17从操作员接收命令和扫描参数，控制台17具有某种形式的操作员界面，例如键盘、鼠标、语音激活控制器或任何其他合适的输入装置。相关联的显示器18允许操作员观察来自计算机15的重建图像和其他数据。操作者提供的命令和参数由计算机15使用，以向DAS 12b、X射线控制器13a和扫描机架电机控制器13b提供控制信号和信息。另外，计算机15操作患者台电机控制器19a，其控制患者台19以定位对象10和扫描机架11。特别地，患者台19使对象10全部或部分地移动通过图1的扫描机架开口11d。

图3示出根据本发明的实施例的灌注成像系统200的示例框图。该灌注成像系统200包括数据获取模块21、预处理模块22、病灶分割模块23。获取模块21用于获取灌注图像数据集。预处理模块201用于对获取的灌注图像数据集进行预处理。病灶分割模块23用于基于所述经过预处理的灌注图像数据集进行病灶分割，其包括级联的第一神经网络模块300与第二神经网络模块400，第一神经网络模块300用于生成灌注参数，第二神经网络模块400用于根据所述灌注参数分割出病灶。

本发明中所描述的灌注成像系统100及方法600可以适用于各种对象的各种解剖结构，对象包括但不限于人类患者和动物，解剖结构包括但不限于脑、肝、心脏、肺、胰和骨骼。示例地，以下结合脑CT灌注成像系统描述本发明。本领域技术人员将理解，本发明还可以适用于其他解剖结构的CT灌注成像、或者其他解剖结构使用其他医学成像设备进行灌注成像。

数据获取模块201获取灌注图像数据集。示例地，在脑CT灌注成像中，数据获取模块201获取多期CT灌注图像数据。亦即，在向患者脑部静脉快速团注对比剂后，对患者进行CT扫描，获取特定间隔的多个时间点的CT灌注图像数据。该等CT灌注图像数据形成CT灌注图像数据集，优选地，该CT图像数据集包括10期以上的CT灌注图像数据，如20期、25期、30期、35期、40期。在应用于其它解剖结构的CT灌注成像中，也可以获取相应解剖结构的多期CT灌注图像数据并形成CT灌注图像数据集。

图4示出根据本发明的实施例的灌注成像系统200的预处理模块22，该预处理模块22包括数据标准化模块22b、数据选择模块22c、标签数据生成模块22d。可选地，在脑部灌注成像中，该预处理模块22还包括以虚线框表示的颅骨图像信息剔除模块22a。该预处理模块22对获取的灌注图像数据集进行预处理，使得该灌注图像数据集符合一定的要求，以便于将预处理后的灌注图像数据集输入到病灶分割模块中获取合适灌注参数及进行准确的病灶分割。

示例地，在脑CT灌注成像中，预处理模块22包括颅骨图像信息剔除模块22a，该颅骨图像信息剔除模块22a可以将灌注图像集中的颅骨图像信息剔除，进而在后续的图像预处理和图像分割中，可以减小在后续其他预处理、灌注参数生成及病灶分割中，颅骨图像信息对非颅骨图像信息的影响。示例地，颅骨图像信息剔除模块22a选取前述获取的CT灌注图像数据集中的最清晰的一期灌注图像数据，并采用阈值方法或者模板匹配方法等传统的方法将该期灌注图像数据的颅骨图像信息去除，同时将颅骨图像信息去除后的该期灌注图像数据作为蒙片，然后将灌注图像数据集中的其他各期的灌注图像数据与蒙片进行点乘操作，进而得到颅骨图像信息剔除后的灌注图像数据集。前述最清晰一期灌注图像数据的选择可以基于各期图像数据中各像素点的CT值，例如，将某一期灌注图像数据中全部像素点CT值总和最高、或者一定比例的像素点CT值总和最高、或者全部像素点的CT值均值最高时，选定将该期灌注图像数据作为最清晰一期灌注图像数据。本领域技术人员可以理解，颅骨图像信息剔除模块22a的执行可以通过预设的程序自动执行，而不需要人为干预。仅在脑CT灌注成像中使用该颅骨图像信息剔除模块22a，在对其他解剖结构进行灌注成像时，可以不需要颅骨图像信息剔除模块22a，或者使用具有类似功能的模块以减小不必要的解剖结构图像信息的对其他有用图像信息影响。

数据标准化模块22b用于对获取的灌注图像进行标准化。数据标准化时将灌注图像数据集中的每个像素值减去整体灌注图像数据集的均值，再除以整体灌注图像数据集的标准差。标准化用于将数据分布控制在均值为0和标准差为1的范围，有利于加速神经网络训练过程，降低神经网络模型陷入局部最优的可能性。示例地，在脑CT灌注成像中，数据标准化模块对经颅骨图像信息剔除模块22a后的灌注图像数据集进行标准化，具体包括计算出灌注图像数据集的均值和方差，然后对将各像素值减去均值再除以方差。

数据选择模块22c用于选择特定期数的灌注图像数据。示例地，如前所述，脑CT灌注图像数据集包括多期数据，通常可能达到30～40期，为减少病灶分割模块203的运算量，可以选择特定期数的灌注图像数据，例如在本实施例中可选择10期灌注图像数据。具体地，选择可以通过动脉输入函数(AIF)来确定对比剂在动脉血管的流入时刻和流出时刻，选取该流入时刻与流出时刻之间的特定时间点亦即特定期数对应的CT数据。流入时刻指AIF曲线开始上升的初始点，流出时刻指AIF曲线达到峰值时间点后，到达第一个波谷的时间点。如果该两个时刻之间的期数不足10期时，对灌注图像数据进行0矩阵拼接补充，亦即针对欠缺的期数用数值为0的矩阵进行填充，使得整体灌注图像数据能够具有10期的数据。如果流入流出时刻之间的期数超过10期，则采用截断的方法将超过10期的数据去掉。前述选择的10期灌注图像数据可形成例如512*512*128的三维CT灌注图像数据子集。

标签数据生成模块22d用于生成输入病灶分割模块203的供深度学习模型训练的标签数据。示例地，在脑CT灌注成像中，在标签数据包括脑血流容量(CBV)、脑血流流量(CBF)、对比剂平均通过时间(MTT)、对比剂峰值时间(Tmax)等一系列灌注参数。标签数据生成模块22d可以对前述CT灌注图像数据集采用传统的卷积法、最大斜率法、去卷积法计算得到该等标签数据。由于不同的脑灌注参数的数量级别不同，标签数据生成模块22d对该等标签数据进行进一步处理，具体地，求取各脑灌注参数在整个数据集中的最大值和最小值，然后将标签数据通过减去最小值，然后除以最大值减最小值的差，进而将标签数据限定在0-1之间，从而生成供深度学习模型训练的标签数据。在一实施例中，该标签数据可以仅包括对比剂峰值时间(Tmax)，其在确定缺血半暗袋区域的情形具有较高的灵敏度。在其他实施例中，标签数据可以包括对比剂峰值时间(Tmax)与其他脑灌注参数的组合。

图5示出根据本发明的实施例的灌注成像系统200的病灶分割模块23用于基于经过预处理的灌注图像数据进行病灶分割，病灶分割模块23包括级联的第一神经网络模块300与第二神经网络模块400。

如图5所示，病灶分割模块23的具体结构，第一神经网络模块300采用U-net网络结构，其结构示意图中各深色矩形框对应于一个多通道特征图(Feature Map)，深色矩形框上方的数字表示矩阵通道数；空白矩形框代表复制的特征图；箭头代表不同的运算操作。该U-net网络结构包括位于左侧的编码路径(或称为搜索路径，contracting path)30a和位于右侧的解码路径(或称为扩展路径，expansive path)30b。编码路径30a包括第一组卷积层31、第二组卷积层32、第三组卷积层33与第四组卷积层34，第一组卷积层31与第二组卷积层32分别包括两个1x1卷积核的卷积层，第三组卷积层33与第四组卷积层34分别包括两个3x3卷积核的卷积层。编码路径30a中各前一组卷积层的输出经过降采样后输入至后一组卷积层，在本实施例中，该降采样使用池化操作(max pool 2×2)，其可以采用最大池化操作或这其他合适的池化操作方式。解码路径30b与编码路径30a系对称设置，其包括第五组卷积层35、第六组卷积层36、第七组卷积层37、第八组卷积层38，其中第七组卷积层37和第八组卷积层38分别包括两个1x1卷积核的卷积，第五组卷积层35和的六祖卷积层36包括两个3x3卷积核的卷积。解码路径30b中各前一组卷积层的输出经过上采样(up-sampling)输入后一组卷积层，该上采样可以使用线性插值操作或者其他合适的方式。解码路径30b与编码路径30a中对应的各组卷积层通过跳连接(skip connection)相连接，亦即解码路径30b各组卷积层的输入包括与其对应的编码路径30a中一组卷积层的特征图输出与解码路径30b前一组卷积层的输出经上采样后的特征图输出进行拼接(Concatenate)。解码路径30b中经过第八组卷积层38处理后的特征层输入至sigmoid映射层，输出预测的灌注参数。在多个灌注参数的情形，第八组卷积层38后可以设置多个卷积支路，各卷积支路分别输出一组灌注参数，从而实现对多种灌注参数的预测。本实施例中，该U-net网络结构的编码路径30a的第一组卷积层31与第二组卷积层32采用1x1卷积核，着重于提取每个像素的时间序列特征信息，第三组卷积层33与第四组卷积层34采用3x3卷积核，着重于提取更深层次的语义特征信息，不同空间维度的特征信息提高了模型预测参数的精度。

如图5所示，第二神经网络模块400采用Dense V-net结构，其包括降采样路径(或称为压缩路径、左侧路径)40a与上采样路径(或称为解压缩路径、右侧路径)40b。降采样分支40a包括三个阶段的卷积层，即降采样分支40a包括第一阶段卷积层41、第二阶段卷积层42、第三阶段卷积层43，各阶段卷积层的采用稠密块(Dense Block)进行卷积运算。该稠密块包括串联的若干卷积层，每一个卷积层的输入由该层前面所有卷积层输出的特征图拼接在一起形成。第一阶段卷积层41的输出经过降采样后输入到第二阶段卷积层42，第二阶段卷积层42的输出经过降采样后输入到第三阶段卷积层43。在本实施例中，降采样采用池化操作(max pool 2×2)，其可以采用最大池化操作或这其他合适的池化操作方式。上采样路径40b与降采样路径40a相对称，包括三个阶段的卷积层，亦即包括第四阶段卷积层44、第五阶段卷积层45与第六阶段卷积层46。第三阶段卷积层43的输出直接作为第四阶段卷积层44的输入，顺序经过3x3的卷积运算、4x的上采样后输出；第二阶段卷积层45的输出直接作为第五阶段卷积层45的输入，顺序经过3x3的卷积运算、2x的上采样后输出；第一阶段卷积层44的输出直接作为第六阶段卷积层46的输入，经过3x3的卷积运算后输出。上采样路径40b的三个阶段的卷积层44、45、46的输出经过求和后，经过softmax映射层得到模型预测的分割结果，实现对灌注图像中病灶的分割。

如图5所示，病灶分割模块23的第一神经网络300与第二神经网络400采用级联的方式连接。示例地，第一神经网络300输出的灌注参数(灌注参数特征图？)与第一组卷积层31输出经降采样形成的特征图拼接(concatenate)后作为第二神经网络400第一阶段卷积层41的输入；第一神经网络300第二组卷积层32输出经降采样形成的特征图与第二神经网络400第一阶段卷积层41的输出经降采样形成的特征图拼接(concatenate)后作为第二神经网络400第二阶段卷积层45的输入；第一神经网络300第三组卷积层33输出经降采样形成的特征图与第二神经网络400第二阶段卷积层45的输出经降采样形成的特征图拼接(concatenate)后作为第二神经网络400第三阶段卷积层45的输入。可以理解，在其他实施方式中，病灶分割模块23的第一神经网络300与第二神经网络级联400也可以采用其他方式进行级联。

在训练阶段，将前述预处理模块22生成的灌注图像数据、标签数据用于第一神经网络300与第二神经网络400的训练。训练的损失函数包括基于回归的MSE Loss和基于分割的Dice loss两部分，其中第一神经网络300采用均方误差(MSE Loss)函数，第二神经网络采用Dice系数差异(Dice Loss)函数，每次迭代将两种损失求和作为整体模型的损失，如公式：

其中，y_{i_predict}表示模型生成的第i种灌注参数，y_{i_label}表示第i种真实的灌注参数，n表示预测的灌注参数类别，TP、FN、FP分别表示分割结果中的真阳率、假阴率和假阳率。示例地，训练过程采用Adam优化器，学习率设置为0.0001，迭代50次以后网络损失达到收敛。

示例地，在脑CT灌注成像中，第一神经网络模块300用于生成脑灌注参数，其包括脑血流容量(CBV)、脑血流流量(CBF)、对比剂平均通过时间(MTT)、对比剂峰值时间(Tmax)中的一个或者多个参数。第二神经网络400根据前述灌注参数与输入的灌注图像进行病灶分割，以分割出脑部梗死区域供诊断参考。

可以理解，本发明中，采用级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络基于该灌注参数进行病灶分割，其可以实现自动地生成灌注参数与病灶分割，可以减小医疗人员的依据经验判断所引入的主观差异，提高病灶分割判断的准确性及减少病灶分割的时间。以上示例中，病灶分割模块23将采用U-Net的第一神经网络300与采用Dense V-net的第二神经网络400级联，可以同时自动实现灌注参数生成和病灶分割，无需医疗人员介入该过程。第一神经网络300(U-Net网络)通过跳连接(skipconnection)的方式把编码路径的各组卷积层提取到的特征输入到第二神经网络(DenseV-net网络)400，结合第二神经网络400不同的特征层提取到的特征，使得最终的病灶分割结果更加精确。

图6示出根据本发明的实施例的灌注成像方法的示例框图，该灌注成像方法600包括获取灌注图像数据集的步骤61、预处理灌注图像数据集的步骤62、分割病灶的步骤63。

在步骤61中，可从从灌注图像来源中获取灌注图像数据集，其中灌注图像来源可以包括灌注图像扫描设备，如CT、MRI、PET、PET-CT、PET-MR、SPECT等。灌注图像来源还可以包括用于存储灌注图像的专用系统，如影像归档和通信系统(PACS)或者计算机云端存储系统。示例地，在步骤61获取多期CT灌注图像数据。亦即，在向患者脑部静脉快速团注对比剂后，对患者进行CT扫描，获取特定间隔的多个时间点的CT灌注图像数据。该等CT灌注图像数据形成CT灌注图像数据集，优选地，该CT图像数据集包括10期以上的CT灌注图像数据，如20期、25期、30期、35期、40期。在应用于其它解剖结构的CT灌注成像中，也可以获取相应解剖结构的多期CT灌注图像数据并形成CT灌注图像数据集。

图7示出了预处理灌注图像数据集的步骤62，该步骤62包括标准化灌注图像数据集的步骤62b、选择灌注图像数据的步骤62c以及生成标签数据的步骤62d。可选地，在脑部灌注成像中，预处理灌注图像的步骤62还可包括在图7中以虚线框表示的剔除颅骨图像信息的步骤62a。经过预处理的图像数据符合一定的要求，以便于进一步获取适合的灌注参数及进行准确的病灶分割。

示例地，在脑CT灌注成像中，预处理灌注图像的步骤62还可包括剔除颅骨图像信息的步骤62a，可以将CT灌注图像集中的颅骨图像信息剔除，进而在后续的图像预处理和图像分割中，可以减小在后续其他预处理、灌注参数生成及病灶分割中，颅骨图像信息对非颅骨图像信息的影响。在步骤62a，选取前述灌注图像数据集中的最清晰的一期灌注图像数据，并采用阈值方法或者模板匹配方法等传统的方法将该期灌注图像数据的颅骨去除，同时将颅骨图像信息去除后的该期灌注图像数据作为蒙片，然后将蒙片与其他各期的灌注图像数据进行点乘操作，进而得到颅骨图像信息剔除后的多期灌注图像数据集。前述最清晰一期灌注图像数据的选择可以基于各期图像数据中各像素点的CT值，例如，将某一期灌注图像数据中全部像素点CT值总和最高、或者一定比例的像素点CT值总和最高、或者全部像素点的CT值均值最高时，选定将该期CT灌注图像数据作为最清晰一期灌注图像数据。可以理解，剔除颅骨图像信息的步骤可以通过预设的程序自动执行，而不需要人为干预。

在步骤62b，标准化灌注图像数据集，将灌注图像数据集中的每个像素值减去整体灌注图像数据集的均值，再除以整体灌注图像数据集的标准差。标准化用于将数据分布控制在均值为0和标准差为1的范围，有利于加速神经网络训练过程，降低神经网络模型陷入局部最优的可能性。示例地，在脑CT灌注成像中，标准化灌注图像数据集是对经剔除颅骨图像信息后的灌注图像数据集进行标准化，具体包括计算出灌注图像数据集的均值和方差，然后对将各像素值减去均值再除以方差。

在步骤62c，选择灌注图像数据用于从灌注图像数据集中选择特定期数的灌注图像数据。示例地，如前所述在脑CT灌注成像中，脑CT灌注图像数据集包括多期数据，通常可能达到30～40期，为减少分割病灶的步骤62的运算量，可以选择特定期数的CT灌注图像数据，例如在本实施例中可选择10期CT灌注图像数据。可以通过动脉输入函数(AIF)来确定对比剂的流入时刻和流出时刻，选取出该流入流出时刻之间的期数对应的CT数据。流入时刻指AIF曲线开始上升的初始点，流出时刻指AIF曲线达到峰值时间点后，到达第一个波谷的时间点。如果该两个时刻之间的期数不足10期时，对CT灌注图像数据进行0矩阵拼接补充，亦即针对欠缺的期数用数值为0的矩阵进行填充，使得整体CT灌注图像数据能够具有10期的数据。如果流入流出时刻之间的期数超过10期，则采用截断的方法将超过10期的数据去掉。前述选择的10期CT灌注图像数据可形成例如512*512*128的灌注图像数据子集。

在步骤62d，生成标签数据用于生成病灶分割的步骤63所需的供深度学习模型训练的标签数据。示例地，在脑CT灌注成像中，在标签数据包括脑血流容量(CBV)、脑血流流量(CBF)、对比剂平均通过时间(MTT)、对比剂峰值时间(Tmax)等一系列灌注参数。生成标签数据可以通过传统的最大斜率法、去卷积法计算得到该等标签数据。由于不同的脑灌注参数数量级别不同，生成标签数据包括对该等标签数据进行进一步处理，具体地，求取各脑灌注参数在整个数据集中的最大值和最小值，然后将标签数据通过减去最小值，然后除以最大值减最小值的差，进而将标签数据限定在0-1之间，从而生成供深度学习模型训练的标签数据。在一实施例中，该标签数据可以仅包括对比剂峰值时间(Tmax)，其在确定缺血半暗袋区域的情形具有较高的灵敏度。在其他实施例中，标签数据可以包括对比剂峰值时间(Tmax)与其他脑灌注参数的组合。

在步骤63中，分割病灶使用如图5及前述的级联的第一神经网络模块300与第二神经网络模块400。在训练阶段，将前述预处理生成的灌注图像数据集与标签数据用于第一神经网络300与第二神经网络400的训练。在实际使用阶段，训练好的第一神经网络300产生灌注参数，训练好的第二神经网络400根据该灌注参数进行图像分割。示例地，在脑部灌注成像中，脑灌注参数包括脑血流容量(CBV)、脑血流流量(CBF)、对比剂平均通过时间(MTT)、对比剂峰值时间(Tmax)中的一个或者多个参数。第二神经网络模块400基于灌注参数与经预处理的灌注图像数据分割出病灶。在一实施例中，该标签数据可以仅包括对比剂峰值时间(Tmax)，其在确定缺血半暗袋区域的情形具有较高的灵敏度。在其他实施例中，标签数据可以包括对比剂峰值时间(Tmax)与其他脑灌注参数的组合。

可以理解，本发明中，采用级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络基于该灌注参数进行病灶分割，其可以实现自动地生成灌注参数与病灶分割，可以减小医疗人员的依据经验判断所引入的主观差异，提高病灶分割判断的准确性及减少病灶分割的时间。以上示例中，采用U-Net的第一神经网络300与采用DenseV-net的第二神经网络400级联，可以同时自动实现灌注参数生成和病灶分割，无需医疗人员介入该过程。另外，第一神经网络300(U-Net网络)通过跳连接(skip connection)的方式把编码路径的各组卷积层提取到的特征输入到第二神经网络(Dense V-net网络)400，结合第二神经网络400不同的特征层提取到的特征，使得最终的病灶分割结果更加精确。

图8示出根据本发明的实施例的执行灌注成像方法的电子设备700的示例。电子设备700包括：一个或多个处理器71；存储装置72，用于存储一个或多个程序，当该一个或多个程序被一个或多个处理器71执行，使得一个或多个处理器71实现本文中描述的方法。处理器诸如例如，数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器。

图8所示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：一个或者多个处理器71，存储装置72，连接不同系统组件(包括存储装置72和处理器71)的总线75。

总线75表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备700典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备700访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置72可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)72a和/或高速缓存存储器72c。电子设备700可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统72b可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如″软盘″)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线75相连。存储装置72可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块72f的程序/实用工具72d，可以存储在例如存储装置72中，这样的程序模块72f包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块72f通常执行本发明所描述的任意实施例中的功能和/或方法。

电子设备700也可以与一个或多个外部设备76(例如键盘、指向设备、显示器77等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口73进行。并且，电子设备700还可以通过网络适配器74与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器74通过总线75与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器71通过运行存储在存储装置72中的程序，从而执行各种功能应用以及数据处理。

根据本发明的实施例，还提供一种计算机可读介质，其上具有指令，所述指令在被处理器执行时使得处理器执行本发明的方法的步骤。该计算机可读介质可以包括但不限于通过机器或设备制造或形成的物品的非瞬态的有形安排，其包括存储介质，诸如：硬盘；任何其他类型的盘，包括软盘、光盘、只读光盘存储器(CD-ROM)、可读写光盘存储器(CD-RW)以及磁光盘；半导体器件，诸如只读存储器(ROM)、诸如动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)之类的随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、闪存、电可擦除可编程只读存储器(EEPROM)；相变存储器(PCM)；磁卡或光卡；或适于存储电子指令的任何其他类型的介质。该计算机可读介质可以安装在CT设备中，也可以安装在远程操控CT设备的单独的控制设备或计算机中。

图9示出了根据本发明的实施例的示例性灌注成像系统800的框图。参考图9，灌注成像系统800可以包括用于进行成像扫描以生成医学图像的医学成像设备81、用于存储医学图像的存储设备82、以及通信地连接至存储设备82并且包括处理器85的医学成像工作站83或医学图像云平台分析系统84。处理器85可以用于执行发明的前述灌注成像方法。

医学成像设备81可以是CT设备、MRI设备、PET设备、SPECT设备、或其他任何合适的成像设备。存储设备82可以位于医学成像设备81内、医学成像设备81外部的服务器内、独立的医学影像存储系统(诸如，PACS)内和/或远程的云存储系统内。医学成像工作站83可以设置在医学成像设备81本地，亦即医学成像工作站83临近医学成像设备81设置，两者可以共同位于扫查室、影像科或同一医院内。而医学图像云平台分析系统84可以远离医学成像设备81定位，例如设置在与医学成像设备81通信的云端处。作为示例，在医疗机构利用医学成像设备81完成成像扫描之后，扫描得到的数据被存储在存储设备82内；医学成像工作站83可以直接读取扫描得到的数据，并且通过其处理器使用本发明的方法进行图像配准。作为另一个示例，医学图像云平台分析系统84可以通过远程通信读取存储设备82内的医学图像，以提供“软件即服务(SAAS)”。SAAS可以存在于医院与医院之间、医院与影像中心之间，也可以存在于医院与第三方在线诊疗服务商之间。

本发明中所描述的技术可至少部分地以硬件、软件、固件或其任何组合来实现。例如，可在一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或任何其他等效的集成或分立逻辑电路、以及体现在编程器(诸如，医师或患者编程器、刺激器、或其他设备)中的此类部件的任何组合内实现所述技术的各方面。术语“处理器”、“处理电路”、“控制器”或“控制模块”通常可以指任何上述逻辑电路(单独或与其他逻辑电路组合)，或任何其他等效电路(并且单独或与其他数字或模拟电路组合)。

上面已经描述了本发明的一些示例性实施例。然而，应该理解的是，在不脱离本发明精神和范围的情况下，还可以对上述示例性实施例做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，也可以实现合适的结果，那么相应地，这些修改后的其它实施方式也落入权利要求书的保护范围内。

Claims (20)

1.一种灌注成像系统，用于灌注成像，包括：

数据获取模块，用于获取灌注图像数据集；

预处理模块，用于对所述灌注图像数据集进行预处理；

病灶分割模块，用于基于所述经预处理的灌注图像数据集进行病灶分割，其包括级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络根据所述灌注参数进行病灶分割。

2.如权利要求1所述的灌注成像方法，其特征在于：所述第一神经网络包括U-net神经网络。

3.如权利要求2所述的灌注成像系统，其特征在于：所述第一神经网络包括具有四组卷积层的编码路径，其中前两组卷积层包括1×1卷积核的卷积层。

4.如权利要求3所述的灌注成像系统，其特征在于：所述第二神经网络包括Dense V-net神经网络。

5.如权利要求4所述的灌注成像系统，其特征在于：所述第二神经网络包括具有三个阶段卷积层的降采样路径，其第一阶段卷积层的输入包括所述第一神经网络生成的灌注参数经降采样后的特征图和所述第一神经网络的第一组卷积层的输出经降采样后的特征图的拼接。

6.如权利要求5所述的灌注成像系统，其特征在于：所述第二神经网络的降采样路径的第二阶段卷积层与第三阶段卷积层的输入分别包括前一阶段卷积层输出经降采样形成的特征图与第一神经网络对应的一组卷积层的输出经降采样形成的特征图的拼接。

7.如权利要求1所述的灌注成像系统，其特征在于：所述预处理模块包括标准化模块，其计算所述灌注图像数据集的均值和方差，并将灌注图像数据集中的每个像素值减去均值再除以方差。

8.如权利要求8所述的灌注成像系统，其特征在于：所述预处理模块包括数据选择模块，用于自所述灌注图像数据集中选择特定期数的灌注图像数据。

9.如权利要求1所述的灌注成像系统，其特征在于：所述灌注图像数据集包括脑灌注图像数据集，所述预处理模块还包括颅骨图像信息剔除模块，用于剔除所述脑灌注图像数据集中的颅骨部分数据。

10.如权利要求1所述的灌注成像系统，其特征在于：所述灌注图像数据集包括脑灌注图像数据集，所述灌注参数包括脑血流容量、脑血流流量、对比剂平均通过时间、对比剂峰值时间中的至少一个。

11.一种灌注成像方法，其包括：

获取灌注图像数据集；

预处理所述灌注图像数据集；

分割病灶，其包括将经过预处理的灌注图像数据集输入级联的第一神经网络与第二神经网络，第一神经网络生成灌注参数，第二神经网络根据所述灌注参数进行病灶分割。

12.如权利要求11所述的灌注成像方法，其特征在于：所述第一神经网络包括U-net神经网络。

13.如权利要求12所述的灌注成像方法，其特征在于：所述第一神经网络包括具有四组卷积层编码路径，其中前两组卷积层包括1×1卷积核的卷积层。

14.如权利要求13所述的灌注成像方法，其特征在于：所述第二神经网络包括Dense V-net神经网络。

15.如权利要求14所述的灌注成像方法，其特征在于：所述第二神经网络包括具有三个阶段卷积层的降采样路径，其第一阶段卷积层的输入包括所述第一神经网络生成的灌注参数和所述第一神经网络的第一组卷积层的输出经降采样后的特征图输出。

16.如权利要求15所述的灌注成像方法，其特征在于：所述第二神经网络的降采样路径的第二阶段卷积层与第三阶段卷积层的输入分别包括前一阶段神经网络输出经降采样形成的特征图与第一神经网络对应的一组卷积层的输出经降采样形成的特征图的拼接。

17.如权利要求11所述的灌注成像方法，其特征在于：所述灌注图像数据集包括脑灌注图像数据集，所述预处理包括剔除颅骨图像信息，其用于剔除所述脑灌注图像数据集中的颅骨部分数据。

18.如权利要求1所述的灌注成像方法，其特征在于：所述灌注图像数据集包括脑灌注图像数据集，所述灌注参数包括脑血流容量、脑血流流量、对比剂平均通过时间、对比剂峰值时间中的至少一个。

19.一种系统，包括用于执行如权利要求11至18中任一项所述的方法的处理器。

20.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求11-18所述的方法。

Images